再生水厂运营数字化转型的赋智方案及工程实践

智慧化建设已在生态工程、给水工程、管网工程等市政工程中广泛应用,但由于再生水厂内业务复杂、信息感知不够透彻,导致再生水厂的智慧化建设发展严重滞后.参考国内外智慧水务的发展及技术现状,结合北京某再生水厂的实际需求,通过将常用的一体化平台拆分为多个小平台,对水厂各阶段需达到的智慧水务目标进行相应方案规划及建设.在搭建过程中...     

好氧颗粒污泥低温稳定性中试研究

好氧颗粒污泥技术具有占地面积小、能耗低、剩余污泥量少、抗冲击性强等优点,是一种可持续的污水处理技术。以北京某污水处理厂实际生活污水作为基质,在中试规模（有效容积为2.5 m3）反应器中进行好氧颗粒污泥培养,研究了颗粒污泥在低温条件下的稳定性。中试自夏季开始运行到次年春季结束,共计运行260 d。结果表明,采用我国实际低碳源市政污水可以培养出好氧颗粒污泥,污泥颗粒化程度可达94%,SVI5_/SVI₃₀为1.1～1.3。冬季低温会造成颗粒污泥的枝状结构增多、丝状菌生长,进而引起颗粒化比例略有下降,为80%～91%,污泥平均粒径降低,SVI5_/SVI₃₀升高至1.5～1.8。在冬季低温条件下,通过优化调控进水流量、曝气时长、曝气过程DO浓度可提高脱氮效率。中试期间各阶段反应器出水COD、TP、NH4₊^-N以及TN均可以满足GB 18918—2002的一级A排放标准,但是低温条件下TN去除率略有下降（降幅为6%～9%）,存在一定超标风险。     

基于新型联合循环神经网络(RNN)模型的出水总氮预测

为了提高污水处理过程中出水TN的预测精度,提出一种基于联合RNN神经网络的出水TN预测算法.该联合RNN神经网络是基于传统RNN网络的改进型网络,其由一系列并排的单RNN网络构成,每个RNN网络的输出不仅与本网络的当前和历史输入相关,还与相邻RNN网络的历史输入相关.网络的训练过程分为两步,首先断开不同RNN网络的连接,单独训练每一个RNN网络,然后恢复不同RNN网络的连接,联合训练所有RNN网络.利用来自真实水厂的水质数据与常规RNN网络进行对比试验,试验结果显示,联合RNN网络的效果(R=0.902,E=0.245)好于常规RNN网络的效果(R=0.863,E=0.361),这证明所提出的算法提高了出水TN的预测精度.     

基于SVR误差补偿技术的神经网络城市污水厂水质预测

城市污水处理是一个复杂的生化处理过程,现在的神经网络技术无法做到对此过程精准建模。为了解决该问题,提出了一种基于SVR误差补偿技术的神经网络水质预测算法。该算法先利用BP神经网络对水质处理过程进行映射,再利用SVR误差补偿模型获得BP网络的预测补偿,进行预测数据校正。为了验证补偿模型的性能,还组织了马尔科夫补偿模型的对比试验。试验结果表明,SVR误差补偿模型可有效提高模型预测的精度,且模型性能优于马尔科夫补偿模型。